[發(fā)明專利]基于頻譜特征雙邊檢測法燒結(jié)機(jī)漏風(fēng)故障在線診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810556742.0
• 申請(qǐng)日: 2018-05-31
• 公開（公告）號(hào): CN108709426B
• 公開（公告）日: 2020-02-21
• 發(fā)明（設(shè)計(jì)）人: 方田;葉學(xué)農(nóng);凌云
• 申請(qǐng)（專利權(quán)）人: 中冶華天工程技術(shù)有限公司;中冶華天南京工程技術(shù)有限公司
• 主分類號(hào): G01N29/036
• 分類號(hào): G01N29/036;F27B21/14
• 代理公司: 北京中偉智信專利商標(biāo)代理事務(wù)所 11325
• 代理人: 張岱

本發(fā)明公開一種基于頻譜特征雙邊檢測法燒結(jié)機(jī)漏風(fēng)故障在線診斷方法。所述的方法包括下述步驟：建立了基于頻率特征的燒結(jié)機(jī)漏風(fēng)故障的離線診斷模型；基于離線診斷模型在線對(duì)燒結(jié)車間聲音采集數(shù)據(jù)進(jìn)行故障診斷。本方法利用聲音的頻譜和強(qiáng)度特性，構(gòu)造了一種燒結(jié)機(jī)漏風(fēng)故障的特征表示方法，并以該特征表示方法，為燒結(jié)機(jī)漏風(fēng)故障提供了可監(jiān)測的依據(jù)；通過計(jì)算特征頻率上的強(qiáng)度閾值，定義了一種可供數(shù)值計(jì)算的燒結(jié)機(jī)漏風(fēng)故障判據(jù)，該判據(jù)是燒結(jié)機(jī)漏風(fēng)故障自動(dòng)檢測的基礎(chǔ)；通過決策機(jī)制對(duì)燒結(jié)機(jī)漏風(fēng)故障判據(jù)進(jìn)行診斷的方式，該方式為燒結(jié)機(jī)漏風(fēng)故障診斷提供了智能化的判斷依據(jù)。

技術(shù)領(lǐng)域：

本發(fā)明涉及一種基于頻譜特征雙邊檢測法燒結(jié)機(jī)漏風(fēng)故障在線診斷方法。

背景技術(shù)：

鐵礦石燒結(jié)是現(xiàn)代鋼鐵冶金流程中的重要環(huán)節(jié)，其最主要生產(chǎn)環(huán)節(jié)是在臺(tái)車式燒結(jié)機(jī)上將混合均勻的小顆粒狀原料點(diǎn)火燃燒，使其熔合成塊狀燒結(jié)礦。為保證燒結(jié)礦結(jié)結(jié)塊的強(qiáng)度和化學(xué)成分，需要原料在燒結(jié)機(jī)上得到充分燃燒。混合攪拌均勻的小顆粒狀原料在燒結(jié)機(jī)上是以厚料層形式均勻分布的，為保證原料的充分燃燒，燒結(jié)機(jī)會(huì)在原料層下方設(shè)置風(fēng)箱并連接抽風(fēng)機(jī)，通過抽風(fēng)機(jī)產(chǎn)生的負(fù)壓，將新鮮空氣帶入到燃燒的原料層中。由于燒結(jié)機(jī)的密封結(jié)構(gòu)和長期使用的保養(yǎng)問題，燒結(jié)生產(chǎn)過程中會(huì)產(chǎn)生漏風(fēng)現(xiàn)象，導(dǎo)致燃燒不充分和抽風(fēng)機(jī)能源的浪費(fèi)，嚴(yán)重漏風(fēng)的情況下，甚至?xí)a(chǎn)生高溫顆粒物灑落，造成生產(chǎn)事故。使漏風(fēng)率的檢測一直缺少行之有效的手段。

由于燒結(jié)機(jī)及其附屬的風(fēng)箱、風(fēng)管、閥門等，由于結(jié)構(gòu)復(fù)雜，且工作在高溫狀態(tài)，會(huì)造成漏風(fēng)故障的易發(fā)和多發(fā)。換句話說就是說，燒結(jié)機(jī)容易發(fā)生漏風(fēng)故障，但是由于該故障涉及結(jié)構(gòu)的氣密性，對(duì)于大型設(shè)備而言，故障點(diǎn)和故障原因非常多且機(jī)理各不相同，所以很難對(duì)燒結(jié)機(jī)漏風(fēng)故障進(jìn)行綜合性的監(jiān)控。

發(fā)明內(nèi)容

本發(fā)明提供一種基于頻譜特征雙邊檢測法燒結(jié)機(jī)漏風(fēng)故障在線診斷方法。

為達(dá)到上述目的，本發(fā)明基于頻譜特征雙邊檢測法燒結(jié)機(jī)漏風(fēng)故障在線診斷方法，所述的方法包括下述步驟：

建立了基于頻率特征的燒結(jié)機(jī)漏風(fēng)故障的離線診斷模型；

基于離線診斷模型在線對(duì)燒結(jié)車間聲音采集數(shù)據(jù)進(jìn)行故障診斷。

其中，所述的方法包括下述步驟：

建立了基于頻率特征的燒結(jié)機(jī)漏風(fēng)故障的離線診斷模型的方法包括：

21)制作燒結(jié)車間正常工作頻譜樣本集和漏風(fēng)故障頻譜樣本集；

22)對(duì)比漏風(fēng)故障頻譜樣本集與正常頻譜樣本集在不同頻段上的強(qiáng)度差異，按照降序選出強(qiáng)度差異最大的k個(gè)頻段，作為漏風(fēng)故障特征頻率集，記為F＝{f₁,…,f_k}，其中，f_i為第i個(gè)特征頻率；

23)分析正常樣本在特征頻段中強(qiáng)度分布，采用統(tǒng)計(jì)參數(shù)估計(jì)的方法，按照人工設(shè)定的顯著度α計(jì)算正常樣本在特定頻率f_i的強(qiáng)度分布置信上限UCL_i，將UCL_i作為該特征頻率對(duì)應(yīng)的強(qiáng)度閾值，從而得到特征頻率對(duì)應(yīng)的強(qiáng)度閾值集，記為TH＝{th₁,…,th_k}；

24)定義各特征頻率對(duì)漏風(fēng)故障的貢獻(xiàn)率，記為Ω＝{ω₁,…,ω_k}，將特征頻率f_i處的漏風(fēng)故障貢獻(xiàn)指標(biāo)定義為表達(dá)式c_i＝G(s_i,th_i,ω_i)，定義燒結(jié)機(jī)漏風(fēng)故障判據(jù)為其中s_i為當(dāng)前樣本在特征頻率f_i處的聲音強(qiáng)度。

根據(jù)訓(xùn)練數(shù)據(jù)集，通過遺傳算法或人工神經(jīng)網(wǎng)絡(luò)方法，優(yōu)化和計(jì)算各特征頻率對(duì)漏風(fēng)故障的貢獻(xiàn)率Ω＝{ω₁,…,ω_k}，從而確定燒結(jié)機(jī)漏風(fēng)故障判據(jù)C的最優(yōu)參數(shù)。